feat(market-intel): Finalize Level 4 Competitive Radar (Semantics & Relations)

- Implemented semantic classification for Products (e.g. 'Cleaning', 'Logistics') and Battlecards (e.g. 'Price', 'Support').
- Created 'import_competitive_radar.py' for full 4-database relational import to Notion.
- Updated Orchestrator with new prompts for structured output.
- Cleaned up obsolete scripts.

MIGRATION_REPORT_COMPETITOR_ANALYSIS.md

@@ -57,28 +57,30 @@ Die App ist unter `/ca/` voll funktionsfähig und verfügt nun über eine "Groun
     *   **Symptom:** Die Referenzanalyse lieferte nur generische, oft erfundene Branchen, anstatt echter Kunden.
     *   **Ursache:** Der Prompt bat die KI, "nach Referenzen zu suchen", ohne ihr eine Datengrundlage zu geben. Die KI hat halluziniert.
     *   **Lösung:** Implementierung einer **"Grounded" Referenz-Suche**.
-        1.  Ein neuer Scraper (`discover_and_scrape_references_page`) sucht gezielt nach "Referenzen", "Case Studies" oder "Kunden" auf der Website des Wettbewerbers.
-        2.  Der Inhalt DIESER Seiten wird extrahiert.
-        3.  Nur dieser "grounded" Text wird an das LLM zur Analyse und Extraktion übergeben.
-    *   **Ergebnis:** Die Analyse basiert nun auf Fakten von der Webseite des Wettbewerbers, nicht auf dem allgemeinen Wissen der KI.
+    *   **Ergebnis:** Die Analyse basiert nun auf Fakten von der Webseite des Wettbewerbers.
+
+13. **Problem: Informations-Overload (Text-Wüste)**
+    *   **Symptom:** In Notion landeten hunderte Produkte und Landmines, aber man konnte nicht effektiv filtern (z.B. "Zeige alle Reinigungsroboter").
+    *   **Lösung:** Einführung von **Semantic Clustering & Taxonomies**.
+        *   Das Backend ordnet nun jedem Produkt eine feste Kategorie zu (z.B. *Cleaning*, *Logistics*).
+        *   Jede Landmine erhält ein Themen-Tag (z.B. *Price*, *Support*, *Technology*).
+    *   **Ergebnis:** Das Competitive Radar ist nun ein echtes BI-Tool. In Notion können nun "Board Views" nach Kategorien erstellt werden (Level 4 Relational Model).
 
 ### 🛡️ Die finale "Grounded" Architektur
+... (Scraping/Map-Reduce etc. bleiben gleich) ...
 
-*   **Scraping:** Nutzt `requests` und `BeautifulSoup`, um nicht nur die Homepage, sondern auch Produkt- und Branchen-Unterseiten zu lesen.
-*   **Grounded References:** Für die Referenzanalyse (Schritt 8) wird nun gezielt nach "Case Study" oder "Kunden"-Seiten gescraped, um die Extraktion auf echte Daten zu stützen und Halluzinationen zu vermeiden.
-*   **Map-Reduce:** Statt eines Riesen-Prompts werden Konkurrenten parallel einzeln analysiert. Das skaliert linear.
-*   **Logging:** Ein spezieller `log_debug` Helper schreibt direkt in `/app/Log_from_docker`, um Python-Logging-Probleme zu umgehen.
+### 📊 Relationaler Notion Import (Competitive Radar v3.0 - Level 4)
+Um die Analyse-Ergebnisse optimal nutzbar zu machen, wurde ein intelligenter Import-Prozess nach Notion implementiert (`import_competitive_radar.py`).
 
-### 📊 Relationaler Notion Import (Competitive Radar v2.0)
-Um die Analyse-Ergebnisse optimal nutzbar zu machen, wurde ein bidirektionaler Import-Prozess nach Notion implementiert (`import_relational_radar.py`).
-
-*   **Architektur:** Statt Textblöcken werden vier vernetzte Datenbanken erstellt:
-    1.  **📦 Companies (Hub):** Stammdaten, USPs, Portfolio-Summary.
-    2.  **💣 Landmines (Satellite):** Einzelfragen und Angriffsvektoren, verknüpft mit der Company.
-    3.  **🏆 References (Satellite):** Konkrete Kundenprojekte, verknüpft mit der Company.
-    4.  **🤖 Products (Satellite):** Einzelne Produkte als Datensätze, ermöglicht marktweiten Vergleich (z.B. "Alle Reinigungsroboter").
-*   **Dual-Way Relations:** Dank `dual_property` Konfiguration sind die Verknüpfungen in Notion sofort in beide Richtungen navigierbar.
-*   **Daten-Qualität:** Durch die Map-Reduce Analyse und das gezielte Reference-Scraping werden nun echte Fakten statt KI-Halluzinationen importiert.
+*   **Architektur:** Vier vernetzte Datenbanken mit **semantischer Klassifizierung**:
+    1.  **📦 Companies (Hub):** Stammdaten und strategische Zusammenfassung.
+    2.  **💣 Landmines (Satellite):** Angriffsfragen, automatisch getaggt nach Themen:
+        - *Price/TCO, Service/Support, Technology/AI, Performance, Trust/Reliability*.
+    3.  **🏆 References (Satellite):** Echte Kundenprojekte (Grounded Truth).
+    4.  **🤖 Products (Satellite):** Einzelne Produkte, klassifiziert nach Typ:
+        - *Cleaning (Indoor/Outdoor), Transport/Logistics, Service/Gastro, Security, Software*.
+*   **Dual-Way Relations:** Alle Datenbanken sind bidirektional verknüpft. Auf einer Produktkarte sieht man sofort den Hersteller; auf einer Herstellerkarte sieht man das gesamte (kategorisierte) Portfolio.
 
 ---
-*Dokumentation aktualisiert am 11.01.2026 nach Implementierung des relationalen Competitive Radars.*
+*Dokumentation aktualisiert am 11.01.2026 nach Implementierung der semantischen Klassifizierung (Level 4).*
+